[发明专利]一种基于相似规则高斯核函数分类器的步态识别方法

摘要

一种基于相似规则高斯核函数分类器的步态识别方法，该方法包括：摄像头实时采集当前背景图像和检测目标步态原始图像序列，并采用欧式距离法等进行图像预处理，获得步态标准图像序列；运用“间隔取帧”技术将单个步态序列分割成三个步态子序列，并进行特征提取，获得步态特征向量；利用步态特征向量数据库中的特征向量进行相似规则构建；根据相似规则构造对应的高斯核函数分类器对检测目标的步态特征向量进行分类，统计并输出识别结果。该方法能够快速进行背景去除，并运用图像正规化处理和“间隔取帧”技术提高在不同情境下的适应性。此外，新型的基于相似规则高斯核函数分类器能有效避免过拟合和维数灾难等问题，提高了整体识别精度。

主权项

1.一种基于相似规则高斯核函数分类器的步态识别方法，其特征在于包括以下步骤：S1.摄像头实时采集当前背景图像和检测目标的步态原始图像序列，并采用欧式距离法去除背景，得到去除背景后的步态二值图像序列；S2.将去除背景后的步态二值图像序列的每张图像进行形态学处理，再截取人体轮廓区域图像并正规化成高度为100像素，宽度为128像素的步态标准图像，获得步态标准图像序列；S3.对步态标准图像序列运用“间隔取帧”技术从中等间隔地取3个步态子序列(每个子序列包含多张步态标准图像)，对于每个子序列中的每张图像，计算图像中人体轮廓的质心坐标和最外轮廓点到质心的距离，提取出3个不同的距离信号子序列；S4.给定特征值积累阈值τ，将获得的距离信号进行主成分分析降维；然后，对降维后的距离信号按每个步态子序列求均值，将该均值距离信号作为该子序列的步态特征向量；S5.利用步态特征向量数据库中的所有步态特征向量进行相似规则构建，导出聚类数目和各聚类中心；S6.对每个聚类簇中的步态特征向量，分别构造一个高斯核函数分类器进行训练；S7.按相似规则找到检测目标的3个步态子序列特征向量对应的高斯核函数分类器进行分类，再求各个子序列步态特征向量的分类结果的众数作为最终识别结果；S8.输出识别结果。步骤S5中相似规则构建由以下三个子步骤构成:求解数据轮廓参数γ，利用相似度聚类算法更新数据点和利用层次聚类算法划分聚类簇；相似规则构建的详细步骤为：S51.求解数据轮廓参数γ：S511.令当前迭代次数t＝1，并给定相关系数终止阈值ε1；S512.计算和的相关系数，其中n为样本点数目，γ_t＝5t；其中S513.如果相关系数大于或等于指定的ε1，选择γt作为γ的估算值，否则令t＝t+1，重复步骤S512；S52.利用相似度聚类算法更新数据点：S521.初始化给定终止阈值ε₂，设置初始迭代次数η＝0；S522.计算Sij＝(exp(‑||xj‑zi||2)/β)；S523.计算令η＝η+1，直至S53.利用层次聚类算法划分聚类簇：S531.令划分阈值ε3＝3ε2；S532.对步骤S52完成后获得的进行层次聚类，按划分阈值ε₃找出对应的聚类数目c^*和各聚类中心。